Warsztaty stacjonarne "Dwa dni z uczeniem maszynowym" - Kraków
Program
13 września 2025
10:00–16:00 Uczenie maszynowe - Dzień 1
Przemysław Głomb sala Sala 1.20 (parter)
Dzień 1: Wprowadzenie, podstawy i elementy klasycznego uczenia maszynowego
Analiza danych i data mining
- Analiza przykładowych problemów: Przejście praktycznych studiów przypadku związanych z analizą danych (w tym zastosowanie zbioru danych obrazowych do detekcji śladów krwi). Celem jest zrozumienie, jak w realnych scenariuszach wykorzystywać techniki data mining.
- Narzędzia analizy danych: Omówienie wybranych narzędzi analitycznych, w tym metod redukcji wymiarowości, grupowania oraz wykrywania anomalii jako podstawowych zestawu narzędzi analizy zbiorów danych. Ćwiczenia praktyczne.
Klasyfikatory
- Optymalizacja hiperparametrów, miary wydajności: kompleksowy przegląd procesu projektowania klasyfikatora „od A do Z”. Zrozumienie, kiedy model można uznać za skuteczny oraz jakie błędy i ryzyka mogą wystąpić.
- Klasyfikator SVM i metody kernelowe: omówienie metod opartych na funkcjach jądra (ang. kernels) – struktura, teoria oraz praktyczne wykorzystanie w różnych zadaniach klasyfikacyjnych.
- Analiza wyników i weryfikacja działania: interpretacja wyników działania klasyfikatora oraz sposoby oceny poprawności i wiarygodności modelu w praktyce.
14 września 2025
10:00–16:00 Uczenie maszynowe - Dzień 2
Przemysław Głomb sala Sala 1.20 (parter)
Dzień 2: Od perceptronu do głębokich sieci neuronowych
Perceptron i sieci MLP
- Perceptron: wyjaśnienie podstaw sieci neuronowych oraz sposobu, w jaki reprezentują i odwzorowują zbiór treningowy.
- Klasyfikator MLP: omówienie zasad działania, przygotowania oraz optymalizacji wielowarstwowych sieci perceptronowych (MLP). Ćwiczenia praktyczne zorientowane na skuteczne zbudowanie i wytrenowanie sieci MLP.
- Sieci neuronowe – aspekty praktyczne: przegląd algorytmów optymalizacji, zasad przygotowania danych i innych kluczowych zagadnień związanych z implementacją sieci neuronowych.
- Praca w środowiskach sklearn i PyTorch: ćwiczenia obejmujące konfigurację, trening oraz porównanie możliwości dwóch popularnych środowisk do realizacji systemów uczenia maszynowego.
Modele głębokiego uczenia
- Sieci konwolucyjne: omówienie architektury, zasady działania oraz obszarów zastosowania. Analiza wybranych pretrenowanych sieci konwolucyjnych, z uwzględnieniem ćwiczeń praktycznych w zakresie wykorzystania i ewaluacji.
- Duże modele językowe (LLM): przedstawienie architektury i sposobów zastosowania dużych modeli językowych w różnych zadaniach. Analiza działania i praktyczne wskazówki dotyczące wdrożeń oraz dalszego rozwijania własnych projektów wykorzystujących LLM.
Kopia danych z systemu Indico (https://akademia.iitis.pl/event/17/), stan na 1 września 2026. Nagrania wideo, ze względu na rozmiar, są udostępniane z Zenodo (DOI: 10.5281/zenodo.22231106) — oznaczono je etykietą „Zenodo”.